微弱声信号的特征提取与辨识
发布时间：2021-01-01 04:40
由于计算机技术飞速发展以及声信号辨识与定位技术的不断完善,信息探测技术已经成为当今战场中不能缺失的一部分,声信号探测由于自己全天候、易隐蔽和探测性能好的优点,成为了各个国家研究的焦点。但是在真实探测中存在着强噪声的影响,导致目标声信号变得“微弱”,难以辨识出当今战场中各种目标声信号。因此,展开对微弱声信号降噪处理、特征提取以及辨识研究具有重要的现实意义,本文从预处理、特征提取以及微弱声信号辨识三大部分进行分析和设计,构建微弱声信号辨识系统。（1）针对传统活动语音检测在强噪声环境下的局限性,提出了一种基于能量概率最大值的自适应活动语音检测算法,能够有效地分离带噪声信号段与背景噪声段。另一方面将自适应活动语音检测算法与最小均方误差对数谱幅度估计降噪算法相结合,同时将每帧的噪声幅度谱进行自适应平滑,相较于传统最小均方误差对数谱幅度估计算法而言,降噪后的目标声信号的信噪比能够提高10-18dB。（2）针对脚步声模型的特性和传统频率提取算法不能有效提取微弱声信号频率的问题,提出了一种互相关与傅里叶变换相结合的声信号频率特征提取算法,经实验验证该算法能够有效提取出微弱声信号的主要频率成分,从4类声...
【文章来源】： 张皓然 西南科技大学
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
随机共振框架图
第二章微弱声信号理论研究9图2-2卷积神经网络基本框架图输入层是整个神经网络的输入，在声信号辨识处理中的卷积神经网络，神经网络的输入为目标声信号通过特征提取而得到的二维图像。卷积层是整个神经网络的核心部分，卷积层主要作用是对输入层的二维矩阵进行卷积处理，搜寻与卷积核相匹配的特征，越与卷积核相匹配的特征，卷积后该区域的值也就越大，那么该区域特征就越明显。池化层也被称为下采样层，池化层的目的是为了从原本特征中筛选出更能体现声音本质的特征，防止过拟合现象。由于样本特征跟卷积层的核函数越匹配，该区域的值就越大，池化层通过每个区域值来过滤掉较小的特征，能够最大限度地降低权重参数，节省计算消耗。全连接层相当于是整个卷积神经网络的“分类器”[29]。卷积层和池化层可以理解为声信号的特征提取过程，全连接层就是对提取到的特征进行分类处理。全连接层与前面两层不同的是，它是全局操作，它从前一层获取输入，并全局分析所有前一层的输出。然后利用所有特征进行辨识模型的建立，最后用于数据分类[21]。输出层也就是辨识结果的输出，但是为了防止过拟合问题，通常可以在输出层上面添加dropout层来解决问题。卷积神经网络作为开始兴起的一种声信号辨识算法，在处理大样本数据集时，具有其他声信号辨识难以达到的准确率。但是处理小样本数据集时，卷积神经网络就具有训练度不够的局限性，并且声纹的辨识性能更取决于精准匹配，卷积神经网络由于自身在池化层阶段对特征的优化，可能会把低频数据抹除掉，会造成目标声纹的辨识率下降的情况。在针对微弱声信号的情况下，由于卷积网络自身的鲁棒性不足，无法对信噪比过低的声信号进行辨识，不能够得到很好的声纹辨识效果。2.3微弱声信号辨识原理及流程由于本文处
西南科技大学硕士学位论文13图3-1VAD检测开帧时间效果图（-2dB人声信号）其中图3-1中红色垂直实线表示检测到该段信号中第一段突变信号的开始，实际输出的开帧时间为检测到的第一段突变信号开始的时间。VAD作用二：将端点检测后得出目标声信号段以外的部分设定为噪声段，最后将其中长度最长的噪声段输出，为后续降噪提供背景噪声，并存入背景数据库中，以备VAD失效时降噪算法调用。VAD检测背景噪声效果如图3-2所示。图3-2VAD截取背景噪声效果图（0dB下人声信号）其中图3-2中红色实线和蓝色虚线为检测到一段目标信号的开始和结束，实际输出的背景噪声段为蓝色虚线和红色实线之间的噪声段中最长的一段。由于噪声影响，使得VAD检测到的目标信号段会比实际偏长，则得到的背景噪声段会比实际偏短，最大程度上保证了所截取出的最长噪声段中不包含突变信号，从而保证为后续降噪所提供的背景噪声的准确性。3.2.1VAD基本模块VAD检测性能一般由两个部分来决定，特征提取和目标/非目标判决。通过提取到能分离目标声信号和背景噪声的特征，并根据所选取的特征来设定合适的门限值来作为判决准则，然后将提取得到的特征值与设定的门限值进行对比，从而得到判决结果图3-3为低信噪比环境下的VAD算法流程。图3-3VAD算法流程图VAD特征选取一般是由其所处理的目标声信号的特征所决定,根据域的差异大致可以分成以下三类：第一类为时域特征端点检测，根据时域中的特征参数进行区分，包括时域能量、对数能量以及时域短时过零率等特征[31]，时域特征具有计算速度快和
【参考文献】：
期刊论文
[1]露天矿山爆破信号时频特征提取与分析[J]. 王陀,林梦吟,曾艺婷,顾城,秦明,付晓强. 三明学院学报. 2020(02)
[2]非接触战场伤情探测技术现状与应用展望[J]. 张杨,吕昊,梁福来,焦腾,于霄,李钊,王健琪. 医疗卫生装备. 2019(07)
[3]基于FPGA的自适应滤波技术在雷达信号处理中的应用研究[J]. 李轲,张国栋,冀启东. 舰船电子工程. 2018(12)
[4]藏语语音时域参数提取关键技术研究[J]. 卓嘎,姜军,董志诚. 电脑知识与技术. 2018(08)
[5]谱减法与维纳滤波法相结合的睡眠鼾声降噪处理[J]. 彭健新,唐云飞. 华南理工大学学报(自然科学版). 2018(03)
[6]低空飞行声目标特征提取技术研究[J]. 朱绍程,刘利民. 电声技术. 2017(Z2)
[7]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛. 计算机应用研究. 2017(10)
[8]复杂噪声场景下的活动语音检测方法[J]. 郭武,马啸空. 清华大学学报(自然科学版). 2016(11)
[9]基于GUI的自适应滤波器仿真平台设计[J]. 王丽. 软件导刊. 2015(08)
[10]短时谱特征的汉语重音检测方法研究[J]. 赵云雪,张珑,郑世杰. 计算机科学与探索. 2014(09)
硕士论文
[1]导航信号体制抗压制式干扰研究[D]. 刘江楠.西安电子科技大学 2017
[2]基于流形学习的语音特征提取研究[D]. 徐玉功.山东大学 2017
[3]基于S变换和改进谱减法的语音识别系统[D]. 蒋渊渊.贵州师范大学 2017
[4]基于LMD和HSMM的旋转机械故障诊断方法研究[D]. 张菲.西南交通大学 2016
[5]语音端点检测方法研究[D]. 张超.大连理工大学 2016
[6]快速卷积多载波传输方法研究[D]. 赵锦程.东南大学 2016
[7]基于机器学习的多传感器目标识别技术研究[D]. 李雪飞.沈阳理工大学 2016
[8]基于LMS算法的台桌式主动隔振系统前馈控制研究[D]. 付翔宇.电子科技大学 2015
[9]列车轴承复杂声学环境下轨边故障诊断方法研究[D]. 王超.中国科学技术大学 2015
[10]基于麦克风阵列的语音增强算法研究[D]. 王永杰.西安电子科技大学 2014
本文编号：2950929
【文章来源】： 张皓然 西南科技大学
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
随机共振框架图
第二章微弱声信号理论研究9图2-2卷积神经网络基本框架图输入层是整个神经网络的输入，在声信号辨识处理中的卷积神经网络，神经网络的输入为目标声信号通过特征提取而得到的二维图像。卷积层是整个神经网络的核心部分，卷积层主要作用是对输入层的二维矩阵进行卷积处理，搜寻与卷积核相匹配的特征，越与卷积核相匹配的特征，卷积后该区域的值也就越大，那么该区域特征就越明显。池化层也被称为下采样层，池化层的目的是为了从原本特征中筛选出更能体现声音本质的特征，防止过拟合现象。由于样本特征跟卷积层的核函数越匹配，该区域的值就越大，池化层通过每个区域值来过滤掉较小的特征，能够最大限度地降低权重参数，节省计算消耗。全连接层相当于是整个卷积神经网络的“分类器”[29]。卷积层和池化层可以理解为声信号的特征提取过程，全连接层就是对提取到的特征进行分类处理。全连接层与前面两层不同的是，它是全局操作，它从前一层获取输入，并全局分析所有前一层的输出。然后利用所有特征进行辨识模型的建立，最后用于数据分类[21]。输出层也就是辨识结果的输出，但是为了防止过拟合问题，通常可以在输出层上面添加dropout层来解决问题。卷积神经网络作为开始兴起的一种声信号辨识算法，在处理大样本数据集时，具有其他声信号辨识难以达到的准确率。但是处理小样本数据集时，卷积神经网络就具有训练度不够的局限性，并且声纹的辨识性能更取决于精准匹配，卷积神经网络由于自身在池化层阶段对特征的优化，可能会把低频数据抹除掉，会造成目标声纹的辨识率下降的情况。在针对微弱声信号的情况下，由于卷积网络自身的鲁棒性不足，无法对信噪比过低的声信号进行辨识，不能够得到很好的声纹辨识效果。2.3微弱声信号辨识原理及流程由于本文处
西南科技大学硕士学位论文13图3-1VAD检测开帧时间效果图（-2dB人声信号）其中图3-1中红色垂直实线表示检测到该段信号中第一段突变信号的开始，实际输出的开帧时间为检测到的第一段突变信号开始的时间。VAD作用二：将端点检测后得出目标声信号段以外的部分设定为噪声段，最后将其中长度最长的噪声段输出，为后续降噪提供背景噪声，并存入背景数据库中，以备VAD失效时降噪算法调用。VAD检测背景噪声效果如图3-2所示。图3-2VAD截取背景噪声效果图（0dB下人声信号）其中图3-2中红色实线和蓝色虚线为检测到一段目标信号的开始和结束，实际输出的背景噪声段为蓝色虚线和红色实线之间的噪声段中最长的一段。由于噪声影响，使得VAD检测到的目标信号段会比实际偏长，则得到的背景噪声段会比实际偏短，最大程度上保证了所截取出的最长噪声段中不包含突变信号，从而保证为后续降噪所提供的背景噪声的准确性。3.2.1VAD基本模块VAD检测性能一般由两个部分来决定，特征提取和目标/非目标判决。通过提取到能分离目标声信号和背景噪声的特征，并根据所选取的特征来设定合适的门限值来作为判决准则，然后将提取得到的特征值与设定的门限值进行对比，从而得到判决结果图3-3为低信噪比环境下的VAD算法流程。图3-3VAD算法流程图VAD特征选取一般是由其所处理的目标声信号的特征所决定,根据域的差异大致可以分成以下三类：第一类为时域特征端点检测，根据时域中的特征参数进行区分，包括时域能量、对数能量以及时域短时过零率等特征[31]，时域特征具有计算速度快和
【参考文献】：
期刊论文
[1]露天矿山爆破信号时频特征提取与分析[J]. 王陀,林梦吟,曾艺婷,顾城,秦明,付晓强. 三明学院学报. 2020(02)
[2]非接触战场伤情探测技术现状与应用展望[J]. 张杨,吕昊,梁福来,焦腾,于霄,李钊,王健琪. 医疗卫生装备. 2019(07)
[3]基于FPGA的自适应滤波技术在雷达信号处理中的应用研究[J]. 李轲,张国栋,冀启东. 舰船电子工程. 2018(12)
[4]藏语语音时域参数提取关键技术研究[J]. 卓嘎,姜军,董志诚. 电脑知识与技术. 2018(08)
[5]谱减法与维纳滤波法相结合的睡眠鼾声降噪处理[J]. 彭健新,唐云飞. 华南理工大学学报(自然科学版). 2018(03)
[6]低空飞行声目标特征提取技术研究[J]. 朱绍程,刘利民. 电声技术. 2017(Z2)
[7]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛. 计算机应用研究. 2017(10)
[8]复杂噪声场景下的活动语音检测方法[J]. 郭武,马啸空. 清华大学学报(自然科学版). 2016(11)
[9]基于GUI的自适应滤波器仿真平台设计[J]. 王丽. 软件导刊. 2015(08)
[10]短时谱特征的汉语重音检测方法研究[J]. 赵云雪,张珑,郑世杰. 计算机科学与探索. 2014(09)
硕士论文
[1]导航信号体制抗压制式干扰研究[D]. 刘江楠.西安电子科技大学 2017
[2]基于流形学习的语音特征提取研究[D]. 徐玉功.山东大学 2017
[3]基于S变换和改进谱减法的语音识别系统[D]. 蒋渊渊.贵州师范大学 2017
[4]基于LMD和HSMM的旋转机械故障诊断方法研究[D]. 张菲.西南交通大学 2016
[5]语音端点检测方法研究[D]. 张超.大连理工大学 2016
[6]快速卷积多载波传输方法研究[D]. 赵锦程.东南大学 2016
[7]基于机器学习的多传感器目标识别技术研究[D]. 李雪飞.沈阳理工大学 2016
[8]基于LMS算法的台桌式主动隔振系统前馈控制研究[D]. 付翔宇.电子科技大学 2015
[9]列车轴承复杂声学环境下轨边故障诊断方法研究[D]. 王超.中国科学技术大学 2015
[10]基于麦克风阵列的语音增强算法研究[D]. 王永杰.西安电子科技大学 2014
本文编号：2950929
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2950929.html
